CN110111004A

CN110111004A - 整车物流调度方法及装置、计算机可读介质以及物流系统

Info

Publication number: CN110111004A
Application number: CN201910382735.8A
Authority: CN
Inventors: 金忠孝; 袁彪
Original assignee: SAIC Anji Logistics Co Ltd
Current assignee: SAIC Anji Logistics Co Ltd
Priority date: 2019-05-09
Filing date: 2019-05-09
Publication date: 2019-08-09

Abstract

本发明提供了一种整车物流调度方法及装置、计算机可读介质以及物流系统。该方法包括：步骤A：对原始数据进行预处理，得到有效可用的订单数据、板车数据；B：根据所述订单数据和板车数据，基于蒙特卡洛算法产生一个整车物流调度方案；C：利用约束条件判断所产生的整车物流调度方案是否合理，若合理，则保留所述整车物流调度方案；D：重复步骤B‑C，产生下一个整车物流调度方案，并与上一个所保留的整车物流调度方案比较，保留优解；E：循环执行n‑1次步骤D，所保留的优解为最终的整车物流调度方案。

Description

整车物流调度方法及装置、计算机可读介质以及物流系统

技术领域

本发明涉及整车物流调度领域，尤其涉及整车物流调度方法及装置、计算机可读介质以及物流系统。

背景技术

整车物流调度将主机厂生产的商品车从生产地运输到目的地，这期间需要在主机厂附近的仓库和卫星库之间调运，短驳运输，进行质量检测，在仓库中进行装车，运送到目的城市的目的仓库，由特定经销商验收。每个环节的各方面都有限制条件和需要优化的指标。整车物流调度问题涉及的因素众多，约束条件复杂，目标多元且相互制约，归纳来讲是一个多目标优化问题。

传统的整车物流调度通常只考虑单目标进行最优装载，而且考虑的约束条件比较少，没有反映业务的实际需要，简单地通过规划分配订单到车辆来形成调度计划。这种方式产生的调度方案多采用可行解，并不是最优解，没有针对优化目标进行综合考虑，会造成效率低下，成本提高；另一方面，传统的整车物流调度没有梳理系统目标并进行多方面的统筹优化，限制了系统能力的提升和对各方面利益的最大化，更无法进行一段时间内的全局统筹优化。个别已有方案，例如“整车物流智能调度算法研究与应用”(安龙龙，北京物资学院,2014)，设计了两步骤的整车物流智能调度算法模型：第一步先将整车物流订单进行聚类，第二步在各个聚类的基础上，采用贪婪算法进行装配方案设计。虽然该方法可以实现整车物流的调度任务但是处理的方法过于复杂，没有兼顾实际业务中多角度下的不同优化目标，并且约束条件简单，因此缺乏合理性，也不具有实际操作性。

发明内容

基于整车调度问题的多变量，离散性，高维数，数据量与解空间大，以及要求计算时间短等特点，本发明采用基于蒙特卡洛算法来解决整车物流的调度问题。

具体而言，对于需要运输的订单和可以使用的大板车，本发明采用随机排序的方法对订单和板车进行排序。然后从第一个大板车开始在满足约束条件的情况下进行装车，直到最后完成所有板车装载，我们把这个方案记录为一个装载方案，并计算综合值。然后我们用同样的方法进行装车，产生新的装载方案，并与前一个方案进行比较，舍弃综合值小的。通过这样反复的迭代，最终会找到较优的装载方案。

本发明提供了一种整车物流调度方法，所述方法包括以下步骤：

A：对原始数据进行预处理，得到有效可用的订单数据、板车数据；

B：根据所述订单数据和板车数据，基于蒙特卡洛算法产生一个整车物流调度方案；

C：利用约束条件判断所产生的整车物流调度方案是否合理，若合理，则保留所述整车物流调度方案；

D：重复步骤B和C，产生下一个整车物流调度方案，并与上一个所保留的整车物流调度方案比较，保留优解；

E：循环执行n-1次步骤D，所保留的优解为最终的整车物流调度方案。

在一个实施例中，所述预处理后的有效可用数据除了所述订单数据、板车数据之外，还包括节点信息、场景描述；

所述预处理包括以下的一个或多个步骤：去除重复数据、检查数据格式、检查数据完整性、提取后续算法所需信息。

在一个实施例中，所述n为大于或等于2的整数。

在一个实施例中，n的选取是在时间和精度上的折中。

在一个实施例中，所述蒙特卡洛算法包括对订单数据和板车数据进行随机排序，然后从排好序的第一个板车开始装车，并将订单按照排好序的顺序进行装载，装载的时候进行所述约束条件的检测，直到这个板车装满，然后进行下一个板车的装载，直到订单被装完或者板车用完，算法结束，产生所述一个整车物流调度方案。

在一个实施例中，所述约束条件包括以下的一个或多个：

配载约束；

意向方向约束；

可拼城市数量约束。

在一个实施例中，所述优解指选取两次整车物流调度方案中对应最大化综合效益F较大的那个方案作为所述优解。

在一个实施例中，所述最大化综合效益F采用以下方式获得：

Max{F＝a*O1+b*O2+c*O3+d*O4}

其中：O1-O4为优化目标：O1为最大化装载商品车数量、O2为最大化装载商品车紧急订单数量、O3为最大化大中型商品车数量、O4为最小化异地拼车数量；

a、b、c、d是每一个目标的权重系数，所述权重系数在实际操作的时候根据不同的场景来预先确定的。

本发明还提供了一种整车物流调度装置，所述整车物流调度装置包括预处理模块、蒙特卡洛算法模块以及方案优化模块；

所述预处理模块被配置成对原始数据进行预处理，得到有效可用的订单数据、板车数据；并将所述订单数据和板车数据作为输入，输入到所述蒙特卡洛算法模块；

所述蒙特卡洛算法模块被配置成根据所述订单数据和板车数据基于蒙特卡洛算法产生一个整车物流调度方案；利用约束条件判断所产生的整车物流调度方案是否合理，若合理，则保留所述整车物流调度方案；

所述方案优化模块被配置成将订单数据和板车数据重新输入至蒙特卡洛算法模块以获得下一个整车物流调度方案，并与上一个所保留的整车物流调度方案比较，保留优解；所述方案优化模块被反复运行n-1次后，所保留的优解为最终的整车物流调度方案。

在一个实施例中，所述预处理模块预处理后的有效可用数据除了所述订单数据、板车数据之外，还包括节点信息、场景描述；

所述预处理模块包括以下的一个或多个分模块：重复数据去除模块、数据格式检查模块、数据完整性检查模块、后续算法所需信息的提取模块。

在一个实施例中，所述n为大于或等于2的整数，n的选取是在时间和精度上的折中。

在一个实施例中，所述约束条件包括以下的一个或多个：

配载约束；

意向方向约束；

可拼城市数量约束。

在一个实施例中，所述优解指两次整车物流调度方案中对应最大化综合效益F较大的那个方案作为所述优解。

在一个实施例中，所述最大化综合效益F采用以下方式获得：

Max{F＝a*O1+b*O2+c*O3+d*O4}

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述整车物流调度方法。

本发明还提供了一种物流系统，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述整车物流调度方法。

本发明采用蒙特卡洛算法来解决整车物流的调度问题。本发明采用基于蒙特卡洛的有约束优化来对整车物流调度进行精确描述和推演，得到的调度策略充分考虑了轿运车的装载能力、意向方向、拼车成本等限制，避免产生失效调度，从而提高系统效率，保证调度系统有条不紊地运行。此外，基于蒙特卡洛的方法使用的随机策略有助于遍历寻找最优的方案，跳出局部最优，很大概率上会得到接近全局最优的解。

附图说明

本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。

图1示出根据本发明一实施例的基于蒙特卡洛算法的整车物流调度方法的示意图；

图2示出根据本发明一实施例的基于蒙特卡洛算法产生一次整车物流方案的原理示意图；

图3示出根据本发明一实施例的基于蒙特卡洛算法的整车物流调度方案产生框图；

图4示出根据本发明一实施例的基于蒙特卡洛算法的整车物流调度方法的流程图。

具体实施方式

以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。

蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S.M.乌拉姆和冯·诺伊曼首先提出。数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的蒙特卡罗(Monte Carlo)—来命名这种方法。蒙特卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解的方法。蒙特卡洛算法在工程领域有诸多应用，但并未在整车物流调度领域有所应用。

本发明采用基于蒙特卡洛的有约束优化来对整车物流调度进行精确描述和推演，得到的调度策略充分考虑了轿运车的装载能力、意向方向、拼车成本等限制，避免产生失效调度，从而提高系统效率，保证调度系统有条不紊地运行。此外，基于蒙特卡洛的方法使用的随机策略有助于遍历寻找最优的方案，跳出局部最优，很大概率上会得到接近全局最优的解。

本发明通过蒙特卡洛算法完成对可装载方案的遍历，并进一步比较算法产生的各个装载方案综合效益，每一次舍弃综合效益小的方案，从而达到优化的目的。在满足各种业务约束的前提下，最大限度地装载整车订单，尤其是紧急订单，最大程度地降低了轿运车的行驶路程数和装卸次数，进而整体上降低了货运车的调度成本，提高了系统效率。

图1示出根据本发明一实施例的基于蒙特卡洛算法的整车物流调度方法的示意图。该方法包括以下步骤：

步骤101：输入订单信息和板车信息。

步骤102：数据预处理。在一个实施例中，对订单数据、板车数据、运力数据、节点数据、场景数据等数据进行预处理(例如，去除重复数据、检查数据格式、检查数据完整性、提取后续算法所需信息)，以保证数据本身的可靠性和合理性。

步骤103：基于蒙特卡洛算法产生一个整车物流调度方案，并利用约束条件对产生的整车物流调度方案进行检测，判断生成的整车物流调度方案是否满足需求。在一个实施例中，将预处理完的订单数据和板车数据作为输入，利用蒙特卡洛算法对订单数据和板车数据进行规划安排，产生一个整车物流调度方案，并利用约束条件对产生的整车物流调度方案进行检测，判断生成的调度方案是否满足需求。

例如，对于预处理好的订单数据和板车数据分别进行随机排序，然后从排好序的第一个板车开始装车，订单按照排好的顺序进行装载，装载的时候进行约束条件的检测，直到这个板车装满，然后进行下一个板车的装载，直到订单被装完或者板车用完，算法结束，产生一套装载方案。

在一个实施例中，约束条件包括以下一个或多个：

配载约束；

意向方向(当前数据中为城市)约束；

可拼城市数据约束。

应当注意的是，上述约束条件只是作为示例，约束条件可以是业务和实际应用中必须符合的各种要求。

步骤104：调度方案比较优化。具体而言，对订单和板车重新进行随机排序，利用蒙特卡洛算法再次产生第2代整车物流调度方案，然后比较第1代整车物流调度方案和第2代的整车物流调度方案，找出两者中好的方案作为优解方案1保存，同理产生第3代整车物流调度方案并和优解方案1比较，找出两者中好的方案作为优解方案2保存，以此类推，直到最后产生第n代方案并和优解方案n-1比较，两者中最好的作为最终的调度方案。其中，n的选取是在时间和精度上的折中。可以同时设置迭代次数和计算时间限制，达到迭代次数上限或者时间上限即停止。

具体而言，找出优解方案的方式为：基于蒙特卡洛算法产生的整车物流调度方案并计算其综合效益F值，然后利用蒙特卡洛算法再次产生一个整车物流调度方案，比较两者的综合效益F值，然后保留综合效益F值大的，继续循环产生新的方案，并比较综合效益F值，直到循环终止，产生最终的整车物流调度方案。循环次数由实际应用的时候对效率的考虑。循环次数设置的越大计算时间越长，越可能找到最优解。

最终调度方案需要考察的优化目标为：

最大化装载商品车数量(O1)；

最大化装载商品车紧急订单数量(O2)；

最大化大中型商品车数量(O3)；

最小化异地拼车数量(O4)。

其中，整体考虑的优化目标为最大化综合效益F可采用以下方式计算获得：

Max{F＝a*O1+b*O2+c*O3+d*O4}

其中，a、b、c、d是每一个目标的权重系数，这个权重系数可在实际操作的时候根据不同的场景来预先确定的。每一次用蒙特卡洛算法获得的调度方案对应一组O1-O4，因此，每次获得的调度方案的综合效益值F均不同，通过每次比较保留较大的那个综合效益F值，并继续循环产生新的调度方案与之前的较大F值比较，直到循环终止，最终可获得的对应综合效益F值最大的整车物流调度方案。

步骤105：输出调度方案。

结合上述实施例，要实现本发明的技术方案还有以下考量。首先，要对订单数据进行清洗，以保证数据本身的可靠性和合理性，这是在进行初始化开始前的准备工作；其次，需要结合蒙特卡洛算法和考虑多个约束条件的多目标优化问题来设计整个算法；最后，对已经完成的项目代码本身进行测试和修改，并将算法进行前端界面展示。

图2示出根据本发明一实施例的基于蒙特卡洛算法产生一次整车物流调度方案的原理示意图。输入的订单和板车信息(201、202)；多次随机排序并按照业务规则随机配载达到遍历的目的，然后从排好顺序的板车(204)中的第一个板车开始装订单(205)，订单也是从排好顺序的订单(203)中按顺序装载(205)，判断板车是否装满(206)？板车装满后，如果还有订单剩余继续装下一个板车，直到订单全部被装完或者板车用完了为止(207，208)。这样就生成了一套装载方案(210)。

图3示出根据本发明一实施例的基于蒙特卡洛算法的整车物流调度方案产生框图。基于蒙特卡洛算法的最优调度优化方案产生过程为：订单信息和板车信息作为输入经过蒙特卡洛算法会产生第1代的调度方案，然后蒙特卡洛算法对订单和板车重新处理(例如，重新随机排序)再次产生第2代调度方案，然后比较第1代和第2代的方案，找出两者中好的方案作为优解方案1保存，同理产生第3代方案并和优解方案1比较，找出两者中好的方案作为优解方案2保存，以此类推，直到最后产生第n代方案并和优解方案n-1比较，两者中最好的作为最终的调度方案。其中n的选取是在时间和精度上的折中。可以同时设置迭代次数和计算时间限制，达到迭代次数上限或者时间上限即停止。

本发明还提供了一个基于蒙特卡洛算法的整车物流调度装置。该整车物流调度装置包括预处理模块、蒙特卡洛算法模块、方案优化模块。

该预处理模块被配置成对原始数据(包括订单数据、板车数据、运力数据、节点数据、场景数据等)进行预处理，例如，去除重复数据、检查数据格式、检查数据完整性、提取后续算法所需信息，以保证数据本身的可靠性和合理性；并将预处理好的订单数据和板车数据作为输入，输入到蒙特卡洛算法模块。

蒙特卡洛算法模块被配置成对预处理好的订单数据和板车数据分别进行随机排序，然后从排好序的第一个板车开始装车，订单按照排好的顺序进行装载，装载的时候进行约束条件的检测，直到这个板车装满，然后进行下一个板车的装载，直到订单被装完或者板车用完，算法结束，产生一套装载方案。

在一个实施例中，约束条件包括以下的一个或多个：

配载约束；

意向方向(当前数据中为城市)约束；

可拼城市数量约束。

方案优化模块被配置成通过循环产生整车物流调度方案并比较产生优解，最终产生优化后的方案作为最终执行方案。具体而言，方案优化模块将订单数据和板车数据重新输入至蒙特卡洛算法模块进行随机排序，利用蒙特卡洛算法再次产生第2代整车物流调度方案。随后，方案优化模块比较第1代整车物流调度方案和第2代的整车物流调度方案，找出两者中好的方案作为优解方案1保存，同理产生第3代整车物流调度方案并和优解方案1比较，找出两者中好的方案作为优解方案2保存，以此类推，直到最后产生第n代方案并和优解方案n-1比较，两者中最好的作为最终的调度方案。其中，n的选取是在时间和精度上的折中。可以同时设置迭代次数和计算时间限制，达到迭代次数上限或者时间上限即停止。

具体而言，找出优解方案的方式为：基于蒙特卡洛算法产生的整车物流调度方案来计算其综合效益F值，然后利用蒙特卡洛算法再次产生一个整车物流调度方案，比较两者的综合效益F值，然后保留综合效益F值大的，继续循环产生新的方案，并比较综合效益F值，直到循环终止，产生最终的整车物流调度方案。循环次数由实际应用的时候对效率的考虑。循环次数设置的越大计算时间越长，越可能找到最优解。

最终调度方案需要考察的优化目标为：

最大化装载商品车数量(O1)；

最大化装载商品车紧急订单数量(O2)；

最大化大中型商品车数量(O3)；

最小化异地拼车数量(O4)

Max{F＝a*O1+b*O2+c*O3+d*O4}

图4示出基于蒙特卡洛算法的整车物流调度方法的流程图。该方法包括如下步骤：

401：对原始数据进行预处理，得到有效可用的订单数据、板车数据、节点信息、场景描述；

402：根据所述订单数据和板车数据，并基于蒙特卡洛算法产生一个整车物流调度方案；

403：利用约束条件判断所产生的整车物流调度方案是否合理，若合理，则保留所述整车物流调度方案；若不合理，再返回执行步骤402。

404：重复步骤402和403，产生下一个整车物流调度方案，并与上一个所保留的整车物流调度方案比较，保留优解，并舍弃非优解。

405：循环执行n-1次步骤404，所保留的优解为最终的整车物流调度方案，其中n为大于等于2的整数。

在一个实施例中，所述n为大于或等于2的整数。

在一个实施例中，n的选取是在时间和精度上的折中。

在一个实施例中，算法伪代码如下：

原始订单输入

数据清洗得到有效订单信息，板车信息

初始化综合效益F＝0

初始化输出方案为空列表

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行如上述所述的基于蒙特卡洛算法的整车物流调度方法。

本发明还提供了一种物流系统，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行如上述所述的基于蒙特卡洛算法的整车物流全局优化调度方法。

本发明的订单预测方法的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。

计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个申请实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

这里采用的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims

1.一种整车物流调度方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的整车物流调度方法，其特征在于，所述预处理包括以下的一个或多个步骤：去除重复数据、检查数据格式、检查数据完整性、提取后续算法所需信息。

3.如权利要求1所述的整车物流调度方法，其特征在于，所述蒙特卡洛算法包括对订单数据和板车数据进行随机排序，然后从排好序的第一个板车开始装车，并将订单按照排好序的顺序进行装载，装载的时候进行所述约束条件的检测，直到这个板车装满，然后进行下一个板车的装载，直到订单被装完或者板车用完，算法结束，产生所述一个整车物流调度方案。

4.如权利要求1所述的整车物流调度方法，其特征在于，所述约束条件包括以下的一个或多个：

配载约束；

意向方向约束；

可拼城市数量约束。

5.如权利要求1所述的整车物流调度方法，其特征在于，所述优解指选取两次整车物流调度方案中对应最大化综合效益F较大的那个方案作为所述优解。

6.如权利要求5所述的整车物流调度方法，其特征在于，所述最大化综合效益F采用以下方式获得：

Max{F＝a*O1+b*O2+c*O3+d*O4}

7.如权利要求1所述的整车物流调度方法，其特征在于，所述n为大于或等于2的整数，且n的选取是在时间和精度上的折中。

8.一种整车物流调度装置，其特征在于，所述整车物流调度装置包括预处理模块、蒙特卡洛算法模块以及方案优化模块；

9.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行如权利要求1至7中任一项所述的整车物流调度方法。

10.一种物流系统，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行如权利要求1至7中任一项所述的整车物流调度方法。